基于多源交通时空数据融合的行程时间分布预测方法研究

Accurate prediction of urban road travel time is one of the core issues of real-time traffic control and management, and it is also the research focus of the integration of geographic information systems and intelligent transportation. At present, the existing prediction methods are mostly based on single-source traffic data and focus on short-term mean travel time. These methods ignore the uncertainty of travel time, resulting in low robustness and reliability of the results. Based on the multi-source and heterogeneous traffic spatial-temporal data mining, this project will study the problem of traffic data loss in the spatial-temporal dimension to estimate link travel time distribution by dynamically updating the spatial-temporal correlation. A spatial-temporal data fusion method based on the improved D-S evidence theory is proposed to solve the conflict problem of multi-source heterogeneous data. By studying the spatial-temporal characteristics of the travel time distributions and error control, the travel time distribution prediction method based on adaptive distribution type will be proposed to realize the construction of multi-parameter multi-interval travel time confidence interval. By overcoming the shortcomings of current traffic information lacking error control, this project can have very important practical significance for improving the availability and credibility of traffic information and alleviating urban traffic congestion.

城市道路行程时间的精准预测是实时交通控制与管理的核心问题之一，也是地理信息系统与智能交通领域相结合的研究重点。当前，行程时间预测方法大都基于单源交通数据，预测短时行程时间均值信息，忽略了行程时间的不确定性，造成结果的鲁棒性和可靠性低下。本项目以多源异构的交通时空数据挖掘为研究切入点，研究交通数据时空维度上的缺失问题，提出基于动态更新的时空相关性的路段行程时间分布估计方法；研究多源异构数据的冲突问题，提出基于改进D-S证据理论的时空数据融合方法；研究行程时间分布的时空特性和误差控制，提出自适应分布类型的行程时间分布预测方法，实现多时段行程时间置信区间的构建。本项目突破了当前交通信息缺乏误差控制的缺陷，对提高交通信息可用性和可信度，缓解城市交通拥堵状况，具有非常重要的现实意义。

城市道路行程时间是高度随机的。当前，行程时间估计及预测方法大都关注短时行程时间均值信息，忽略了行程时间的不确定性，造成结果的鲁棒性和可靠性低下。本项目以多源异构的交通时空数据挖掘为研究切入点，研究居民出行度量(行程距离、行程时间、行程速度)的分布拟合，通过贝叶斯信息准则从备选分布中确定每种出行度量的最佳分布。研究发现，伽马分布更适合拟合行程距离和行程时间，而布尔分布更适合行程速度分布的拟合。本研究可为理解居民出行模式提供有益的参考，并为今后的研究奠定坚实的基础。研究行程时间分布的时空特性和误差控制，提出了一种随机KNN模型来预测城市道路中连续多个时段的行程时间分布。该模型克服了当前一些模型只利用实时数据、单一时段预测、不能预测分布的缺陷。作为传统KNN的随机扩展，所提出的SKNN明确地将所有输入和输出表述为行程时间分布的时间序列。相似度度量是用来确定历史行程时间分布集中实时分布的最近邻居。进一步引入分布融合技术，通过融合已确定的最近邻的分布来预测后续时间间隔的行程时间分布，从而给出准确的行程时间区间。通过融合自动车辆识别检测器的行程时间数据和地点检测器的路段速度数据，构建优化模型，对观测路段和未观测路段上不同车型的路段行程时间进行估计，从而实现不同车型的路径行程时间估计。本项目的研究可以提高交通时空大数据的可用性和可靠性，显著提高交通信息服务水平，缓解城市交通拥堵状况，深化智能交通系统的应用和推广。